Characteristics of Stipends and Their Value-Adding Potential in Design-Build US Highway Construction
Notice bibliographique
Résumé
A best practice tool to enhance design-build best-value procurements is stipends, yet there is very little literature dedicated to this topic. Cited benefits of stipends include incentivizing the level of effort put forth by proposers in preparing their technical proposal, encouraging the number of proposers and thereby increasing competition, and mitigating risk. This paper presents cross-validated findings from the literature, agency policies, a survey of 53 US design-build projects, six agency representative interviews, and 13 design-build industry professional interviews. This paper investigates four aspects of stipends: (1) stipend value and calculation processes; (2) impact on a contractor’s decision to propose; (3) impact of stipend amount on an offeror’s proposal development, and (4) stipends’ ability to aid agencies in achieving best value for highway construction projects. Stipends were found to be a necessary process to achieve best value because they increase competition and often can increase the quality of a proposal based on the stipend amount. Stipends typically cover one-third to one-half of a contractor’s proposal costs. Agencies should use stipends when proposal costs are expected to be high and should estimate the stipend amount on a project-by-project basis. Properly valued stipends demonstrate that an agency is serious about going forward with the project, and understands both the work required and the design-build process. Finally, stipends were found to promote a fair procurement process, building trust with contractors leading to a more collaborative and innovative project execution.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».